寧波銀行：風語數據洞悉平臺

案例名稱

風語數據洞悉平臺

案例簡介

寧波銀行風語數據洞悉平臺在原有風語大數據智能分析平臺的基礎上，加入了增強分析，實現了“AI+BI”的深度融合。風語數據洞悉平臺通過多維度分析，實現海量數據的自動監測，智能解釋原因，并自反饋優化邏輯，助力風險挖掘、客戶營銷。

在傳統報表分析中，銀行時常關注到某個數字低于或高于預期的情況，希望探究數據背后的產生原因。傳統方式主要依賴人工觀察發現異常點并探索異動原因，但存在三方面痛點：一是步驟繁瑣耗時長且依賴人工經驗判斷，二是解釋時效不及業務變化，三是缺少對異常數據行為的解決措施。

針對上述痛點，風語數據洞悉平臺將AI技術融入傳統數據挖掘，實現了三方面突破：一是智能化異動監測，支持算法自動分析，減少人力成本投入；二是智能化原因挖掘，利用算法生成業務解釋，應用反饋學習，讓解釋條目自動學習迭代；三是智能化措施建議，建立反饋專家決策知識庫，實現機器學習措施智能反饋，形成業務管理閉環。

創新技術/模式應用

在日常工作中，經常要探究數據波動背后的原因，例如在流程提效分析中，對比2022年，是什么原因導致貸款平均流程用時提升？在面對多維度數據表時，即使專業的數據分析師也要耗費大量時間去排查。

風語數據洞悉平臺可以一鍵對異常數據自動歸因分析，讓數據自己“開口說話”，方便業務人員更快速、更精準地找到業務問題點，節省報告撰寫、反復問詢討論的時間，主要實現了三方面創新點:

一、智能化異動監測，從“人工設閾”到“自動判定”

傳統的人工數據異常點為人工經驗判斷，通過引入AI技術，對圖表中波動數據做智能分析，通過對比時間維度、產品維度及客戶經理維度等，實現異常點的自動提示。此外，通過已有的儀表盤，指定特定的圖標開啟數據洞悉功能。用戶可以在圖表上點選相關數據點，智能機器人給出相應的數據因素解釋。

例如某分行的不良率超出閾值，采用傳統分析思路會將不良拆解到分支機構，再進一步排查，此類挖掘方式耗時長，撰寫分析報告需要花費兩位資深分析師一周的時間。此外，面對大量客戶數據、征信數據和內部管理數據，人工分析也很難窮盡各個角度，最后往往從客常規風險視角整合信息得到不良客戶畫像。

在應用風語數據洞悉平臺后，對期望分析的數據僅需點擊解釋按鈕，即可迅速獲得多視角遍歷后解釋，幫助業務人員快速定位問題。發現問題人員、產品、機構，找到解決問題的抓手。

二、智能化原因挖掘，從“手動挖掘”到“智能展現”

利用AI對數據實現智能化分析，底層運用了基尼系數、樸素貝葉斯等算法，針對數據異動進行可視化的原因分析。首先，通過統計學意義分析數據異常波動的數學解釋，再結合自建專家經驗庫，自動生成對數據點的業務解釋。此外，使用者可以對每一條解釋結果給與反饋評價，選項為“有幫助”、“沒有幫助”，并可以額外自由輸入備注字段。反饋將被關聯到具體的時間點、圖表、數據源等，并記錄在數據庫中。通過這些數據反饋，平臺逐步豐富專家經驗庫，讓解釋條目自動學習迭代。

三、智能化措施建議，從“經驗判斷”到“主動提示”

通過建立措施反饋的專家決策知識庫，實現機器學習后的智能措施反饋，并在此基礎上，隨著系統不斷收集使用者結果反饋，通過增強學習，不斷完善措施建議內容，讓內容越來越符合實際操作，形成風險異常從警示到解釋到解決的完整閉環。

項目效果評估

風語數據洞悉平臺（2022.5-2023.4），經不斷應用與優化迭代，將AI技術融入傳統數據挖掘中，充分發揮數據的價值，幫助寧波銀行業務人員從海量數據中迅速找出數據指標變化的原因，深入挖掘數據內在規律，快速定位業務問題，提升決策準確性。從而實現數據監測自動化，異動解釋更智能能，建議決策專業化。

平臺存在三大優勢：一是數據挖掘智能化，通過算法快速挖掘業務異常，精簡分析鏈路，自動生成分析報告，滿足多類分析場景；二是數據分析可復用化，通過算法輔助，分析場景，分析維度，計算數據量上升的情況下，自動實現對億級數據量、復雜指標的分析計算；三是措施建議自調優，通過自動收集反饋，積累專家決策知識庫，通過增強學習完善措施，實現使用及反饋的完整閉環。

當前風語數據洞悉平臺對接全行前中后臺等10余個系統，支持全行各條線超千人使用，應用于重點產品營銷推廣、流程時效堵點監測、員工展業情況回溯等20余個場景，實現了重大效率的提升，平均每個場景分析從2周縮短到2人天，同時實現了更精準的歸因及決策。

項目牽頭人

施道明 寧波銀行總行風險管理部首席風險經理

項目團隊成員

朱劍俊、周堅、韋達、王鈞、顏偉斌、陳丹瑤、張禹勛、劉帥、陳亮、許張芮、張志平、陳瀛洲、周慶田、邱曉勇、林方鵬、錢威、林鑫

責任編輯：韓希宇